/前言/

上一篇文章我們講述了網(wǎng)頁結構和Xpath表達式語法知識，感興趣的小伙伴可以戳這篇文章：網(wǎng)頁結構的簡介和Xpath語法的入門教程。我們了解到Xpath表達式最好是通過自己進行網(wǎng)頁分析和針對性的選取唯一性的標簽進行定位，可以提高提取效率，而且還不容易出錯。

有了Xpath表達式基礎之后，這篇文章我們將通過Xpath表達式來進行提取數(shù)據(jù)，具體教程如下，仍然以之前的網(wǎng)站為例進行說明，我們的目標數(shù)據(jù)是標題、發(fā)布日期、主題、正文內(nèi)容、點贊數(shù)、收藏數(shù)、評論數(shù)等。具體的教程如下。

/具體實現(xiàn)/

1、針對標題，在上篇文章中就有提及，其Xpath表達式有多種，任選其一即可，在scrapy shell腳本下進行調(diào)試，得到標題的提取方式，并寫入到爬蟲主體文件中。

2、接下來是發(fā)布日期的提取，仍然是以交互式的方式實現(xiàn)網(wǎng)頁與源碼之間的交互，如下圖所示。

3、而且標簽“entry-meta-hide-on-mobile”具有全局唯一性，可以很方便的定位到元素。

4、根據(jù)網(wǎng)頁結構，我們可輕易的寫出發(fā)布日期的Xpath表達式，可以在scrapy shell中先進行測試，再將選擇器表達式寫入爬蟲文件中，詳情如下圖所示。

這里有部分雜質(zhì)信息，需要利用strip()和replace()函數(shù)剔除多余的雜質(zhì)，還日期一個“清白”。

5、關于文章主題標簽的Xpath表達式，可以看到其在網(wǎng)頁結構上處于日期的下方，如下圖所示。

因此可以通過更改一下發(fā)布日期的Xpath表達式，即可獲取到文章主題標簽。

6、文章主題標簽處于a標簽下，如下圖所示。

獲取到整個列表之后，利用join函數(shù)將數(shù)組中的元素以逗號連接生成一個新的字符串叫tags，然后寫入Scrapy爬蟲文件中去。

7、對于點贊數(shù)，其分析方法同之前一致，找到唯一的一個標簽“vote-post-up”即可定位到數(shù)據(jù)。

8、細心的小伙伴可能會看到“vote-post-up”屬性并不是class標簽中唯一一個屬性，所以一開始的Xpath表達式匹配的內(nèi)容為空。

這里給大家安利一個小技巧，如果標簽中存在多個屬性，且屬性是唯一的時候，可以利用contains函數(shù)進行助攻，其用法是'//span[contains(@class,"vote-post-up")，務必要多加練習，否則容易忘記。根據(jù)網(wǎng)頁結構寫出Xpath表達式，調(diào)試的過程如下圖所示。

取出的點贊數(shù)是個字符串，需要利用int()將其強制轉換為數(shù)字。

未完待續(xù)~~~，下一篇文章將繼續(xù)分享Xpath表達式數(shù)據(jù)采集方法。

/小結/

本文基于Xpath理論基礎，主要介紹了Scrapy爬蟲框架中利用Xpath選擇器提取某個網(wǎng)頁中目標數(shù)據(jù)的方法，為后面抓取全網(wǎng)數(shù)據(jù)埋下伏筆，更精彩的操作在下篇文章奉上，希望對大家的學習有幫助。